语言自然节奏在文本分类中的研究与应用

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (30): 28-32.

语言自然节奏在文本分类中的研究与应用

陈钒1，2，冯志勇1

1.天津大学计算机科学与技术学院，天津 300072
2.天津财经大学理工学院信息科学与技术系，天津 300200

出版日期:2012-10-21 发布日期:2012-10-22

Research and application language nature rhythm in documents category

CHEN Fan1，2, FENG Zhiyong1

1.School of Computer Science and Technology, Tianjin University, Tianjin 300072, China
2.Information Science & Technology Department, Tianjin University of Finance and Economics, Tianjin 300200, China

Online:2012-10-21 Published:2012-10-22

摘要/Abstract

摘要： 大规模文体分类是一个非常复杂的任务。提出了一种基于语言自然节奏的文本分类方法，通过对语言中标点标记的自然节奏进行分析，获取其特征，应用贝叶斯分类器，可以快速高效地完成文本分类任务。这种文本分类方法与当前主流基于词条特征的文本分类方法不同，不需要理解和分析语义，即无需分析文章中的词条，特征空间小，数据稀疏性现象不明显，文本分类效果显著。

关键词: 文本分类, 标点符号, 语言自然节奏, 状态转移

Abstract: Large scale documents category is very complex in text analysis. A new method based on language nature rhythm. Analysing the feature marked by punctuations in language, using Bayesian classifier, text category can be finished efficiently. This method is different from the others, without understanding any words and semantic. It is easy to get a remarkable effect with a small feature space and weak data sparsity.

Key words: text category, punctuations, language nature rhythm, state switch

陈钒1，2，冯志勇1. 语言自然节奏在文本分类中的研究与应用[J]. 计算机工程与应用, 2012, 48(30): 28-32.

CHEN Fan1，2, FENG Zhiyong1. Research and application language nature rhythm in documents category[J]. Computer Engineering and Applications, 2012, 48(30): 28-32.

[1]	霍光煜，张勇，孙艳丰，尹宝才. 基于语义的档案数据智能分类方法研究[J]. 计算机工程与应用, 2021, 57(6): 247-253.
[2]	黄金杰，蔺江全，何勇军，何瑾洁，王雅君. 局部语义与上下文关系的中文短文本分类算法[J]. 计算机工程与应用, 2021, 57(6): 94-100.
[3]	郑诚，董春阳，黄夏炎. 基于BTM图卷积网络的短文本分类方法[J]. 计算机工程与应用, 2021, 57(4): 155-160.
[4]	贺文亮，朱敏玲. 胶囊神经网络研究现状与未来的浅析[J]. 计算机工程与应用, 2021, 57(3): 33-43.
[5]	滕金保，孔韦韦，田乔鑫，王照乾，李龙. 基于CNN和LSTM的多通道注意力机制文本分类模型[J]. 计算机工程与应用, 2021, 57(23): 154-162.
[6]	武书钊，李功权，卜明伟. 基于知识图谱的自杀倾向检测问答系统构建[J]. 计算机工程与应用, 2021, 57(22): 304-312.
[7]	李铁飞，生龙，吴迪. BERT-TECNN模型的文本分类方法研究[J]. 计算机工程与应用, 2021, 57(18): 186-193.
[8]	丁勇，程家桥，蒋翠清，王钊. 基于主题和关键词特征的比较文本分类方法[J]. 计算机工程与应用, 2021, 57(17): 196-202.
[9]	滕金保，孔韦韦，田乔鑫，王照乾. 基于LSTM-Attention与CNN混合模型的文本分类方法[J]. 计算机工程与应用, 2021, 57(14): 126-133.
[10]	翟一鸣，王斌君，周枝凝，仝鑫. 面向文本分类的多头注意力池化RCNN模型[J]. 计算机工程与应用, 2021, 57(12): 155-160.
[11]	姚佳奇，徐正国，燕继坤，王科人. GCN-PU:基于图卷积网络的PU文本分类算法[J]. 计算机工程与应用, 2021, 57(11): 162-167.
[12]	申艳光，贾耀清. 基于词共现与图卷积的文本分类方法[J]. 计算机工程与应用, 2021, 57(11): 173-178.
[13]	郝超，裘杭萍，孙毅，张超然. 多标签文本分类研究进展[J]. 计算机工程与应用, 2021, 57(10): 48-56.
[14]	张曼，夏战国，刘兵，周勇. 全卷积神经网络的字符级文本分类方法[J]. 计算机工程与应用, 2020, 56(5): 166-172.
[15]	唐庄，王志舒，周爱，冯美姗，屈雯，鲁明羽. 面向文本分类的transformer-capsule集成模型[J]. 计算机工程与应用, 2020, 56(24): 151-156.